Can National Administrative Data Identify Optimal Nurse Staffing? Evidence of Estimand Instability and Identification Challenges in CMS Home Health Panel Data

기술 요약: 홈 헬스 케어의 최적 간호 인력 추정에 있어서의 식별 과제

문제 정의
본 연구는 보건 서비스 연구의 중대한 공백을 다룬다. 즉, 미국의 홈 헬스(가정 방문 간호) 부문에서 국가 행정 데이터를 사용하여 최적의 등록 간호사(RN) 인력 수준을 경험적으로 식별할 수 없다는 점이다. 생산 함수 이론은 한계 품질 이득이 한계 노동 비용과 일치하는 내부 최적점($Q'(N^*) = C'(N^*)$)을 상정하지만, 미국의 메디케어 데이터를 사용하여 이 최적점을 성공적으로 추정한 국가 규모의 연구는 존재하지 않는다. 본 연구는 현재 사용 가능한 CMS Home Health Compare 패널 데이터(FY2016–2018)가 인력-품질 생산 함수를 신뢰성 있게 추정할 수 있는 구조적 변동성과 식별력을 갖추고 있는지, 아니면 데이터 인프라 자체가 이러한 추정을 불가능하게 만드는지를 조사한다.

방법론
본 연구는 병합된 패널 데이터(분석 서브패널 $n \approx 10,496$, 총 16,828개 기관-연도)를 사용하여 타당성 및 식별 설계를 적용한다. 분석에는 세 가지 주요 데이터 소스가 통합된다: CMS Home Health Compare 공개 파일, CMS Home Health Agency 비용 보고서(Form CMS-1728-94), 그리고 CMS 입원 환자 수가제(IPPS) 보고서이다.

• 변수:
  • 투입량(Dose): 숙련 간호 환자 100명당 RN 전일제 환산 인력(FTE).
  • 품질(Quality): 4가지 CMS 지표(평균 4Ts)를 T-표준화한 합성 지표. 여기에는 과정/결과 등급, 환자 만족도(HHCAHPS), 메디케어 지출 비율, 지역사회 퇴원율이 포함된다.
  • 비용(Cost): 환자 1인당 숙련 간호 노동 비용.
• 추정량: 투입량-품질 및 투입량-비용 관계를 평가하기 위해 세 가지 선형 추정량이 적용되었다:
  1. Within-CRE (상관된 무작위 효과): Mundlak–Chamberlain 정리에 따라 수학적으로 기관 내 고정 효과 모델과 동일하다.
  2. Pooled (결합): 기관 내 변동성과 기관 간 변동성을 모두 활용한다.
  3. Between-Agency (기관 간 비교): 기관 평균에 대한 순수 횡단면 비교이다.
• 검증 및 민감도 분석:
  • 비모수적 검증: 투입량의 한계 예측 기여도를 테스트하기 위해 몬테카를로 드롭아웃(Monte Carlo Dropout)을 적용한 Wide & Deep 베이지안 신경망(BNN)을 사용하였다.
  • 강건성 체크: 레버리지 분석(영향력이 큰 관측치 제거), Huber 강건 회귀, 그리고 임상적으로 의미 있는 벤치마크에 대한 등가성 검정(TOST)을 수행하였다.
  • 손익 분기 분석: 추가적인 인력 비용을 상쇄하기 위해 필요한 이론적 품질 기울기를 계산하였다.
  • 자연 실험: 9개 주에서의 Home Health Value-Based Purchasing(HHVBP) 도입을 외생적 충격으로 활용하려 시도하였으나, 사전 기간 데이터의 제한으로 인해 공식적인 이중차분법(difference-in-differences) 설계는 수행하지 못하였다.

주요 결과
연구 결과, 가용 데이터 내에서 인력-품질 관계는 안정적으로 식별되지 않으며, 선택된 추정량에 따라 추정치(estimand)의 불안정성을 보이는 것으로 나타났다.

1. 비용 함수 ($C(N)$): 인력 강도와 노동 비용 사이의 관계는 모든 추정량에서 견고하게 양(+)의 상관관관계를 보였다 ($\beta \approx +212$ ~ $+447$, 투입량 단위당 환자 1인당, $p < 0.001$). 이는 노동 비용이 FTE와 함께 상승한다는 회계적 항등식과 일치한다.
2. 품질 함수 ($Q(N)$):
   • Within-CRE: 영(null)의 결과를 도출하였으며 ($\beta = +0.014, p=0.50$), 이는 레버리지에 매우 취약했다. 상위 0.1%의 관측치를 제거하자 부호가 음(-)으로 바뀌었다.
   • Pooled & Between-Agency: 두 방식 모두 통계적으로 유의미한 *음(-)*의 연관성을 나타냈으며 ($\beta \approx -0.036$ ~ $-0.037, p \approx 0.02–0.03$), 이는 높은 인력 투입이 낮은 품질과 상관관계가 있음을 시사한다. 이는 해결되지 않은 혼란 변수(confounding) 때문일 가능성이 크다.
   • BNN 검증: 모델에서 인력 투입량을 제거했을 때 검증 손실(validation loss)의 변화가 미미했다 ($-0.17\%$). 이는 인력 강도가 다른 공변량 이외에 품질에 대한 한계 예측 정보를 거의 제공하지 않음을 의미한다.
   • 등가성 검정: TOST 결과, 품질 효과는 임상적으로 의미 있는 벤치마크와 비교했을 때 사실상 제로(zero)와 등가적임을 확인하였다 ($p \approx 4 \times 10^{-140}$).
3. 손익 분기 분석: 가장 낙관적인 가정(Within-CRE의 상한값 사용) 하에서도, 관찰된 품질 반응은 추가 인력 비용을 상쇄하기 위해 필요한 임계치보다 약 365배 작았다.
4. 데이터 아티팩트(Data Artifacts): 연구는 두 가지 특정 데이터 품질 실패 모드를 식별하였다:
   • 2017년 보고 관행의 변화로 인해 약 20%의 기관이 소수점 단위 FTE 보고에서 최소 단위 1.00으로 변경되었으며, 이는 허구적인 기관 내 변동성을 생성했다.
   • 품질과 비용 측도가 동일한 환자 수를 분모로 공유함에 따라 발생하는 "공통 분모 아티팩트(shared-denominator artifact)"가 존재하며, 이는 인력 투입량과 기계적 상관관계를 형성한다.

주요 기여

• 식별 진단: 본 논문은 현재의 CMS 행정 패널 데이터가 최적 인력 수준을 식별하는 데 지원할 수 없음을 보여주는 진단 지도를 제공한다. 이러한 실패는 생산 함수 이론의 허구가 아니라 데이터 구조와 내생성 때문임을 명확히 한다.
• 방법론적 도구 모음: 본 연구는 원 데이터 분자(raw-numerator) 상관관계 테스트, N-control 제거(ablation), 그리고 공통 분모 아티팩트 탐지를 위한 대안 분모 교차 검증을 포함하여 CMS 데이터에 특화된 구체적인 진단 절차를 소개하고 실행한다.
• 경제적 번역: 손익 분기 프레임워크는 경제적 영(null) 결과를 정책적으로 유의미한 정량적 주장으로 번역하여, 낙관적인 가정 하에서도 추가적인 RN 인력 투입의 경제적 수익을 감지할 수 없음을 보여준다.
• 데이터 품질 프로토콜: 본 연구는 FTE 보고 방식의 변화 및 비현실적인 환자당 비용 비율과 관련된, 기존에 보고되지 않았던 CMS 비용 보고서의 실패 모드를 식별하는 다단계 스크리닝 프로토콜을 기록한다.

의의 및 주장
본 논문은 자신의 결과가 간호 인력이 홈 헬스 품질에 무의미하다거나 최적 인력 수준이 존재하지 않는다는 것을 의미하지 않는다고 명시적으로 밝힌다. 오히려 이 연구는 향-후 식별 노력을 위해 필요한 구체적인 데이터 조건을 규정하는 데 목적이 있다.

저자들은 현재의 데이터 인프라가 인력 결정과 기관의 특성(환자 케이스 믹스, 조직 역량)을 분리하는 데 필요한 외생적 변동성이 부족하다고 주장한다. 결과적으로, 인력-품질 관계의 부호와 유의성은 추정량 선택에 따라 달라지며, 따라서 "최적점"에 대한 어떠한 점 추정치도 신뢰할 수 없다.

이 연구의 의의는 향후 연구 방향을 재설정하는 데 있다. 저자들은 신뢰할 수 있는 식별을 위해 다음이 필요하다고 주장한다:

1. 인력 투입 에피소드와 개별 결과 간의 환자 단위 연결.
2. HHVBP 도입을 이용한 이중차분법 설계를 가능하게 하는 사전 기간(pre-period) 데이터.
3. 신뢰할 수 있는 도구 변수 (예: 지역 노동 공급 충격 또는 규제 불연속성).
4. 회귀 불연속 설계를 위한 주(state) 단위의 최소 인력 기준 변동성.

요약하자면, 본 논문은 최적 인력에 대한 이론적 틀은 여전히 유효하지만, 현재의 국가 행정 패널 데이터의 한계로 인해 홈 헬스 케어에서의 이 최적점을 경험적으로 검증하는 것은 불가능하다는 결론을 내린다.